Vakuutusyhtiön vararikkotodennäköisyyksien simulointi alieksponentiaalisille korvausvaateille. Roope Aalto

Transkriptio

1 Vakuutusyhtiön vararikkotodennäköisyyksien simulointi alieksponentiaalisille korvausvaateille Roope Aalto 8. tammikuuta 2018

2 HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty Laitos Institution Department Matemaattis-luonnontieteellinen Tekijä Författare Author Roope Aalto Työn nimi Arbetets titel Title Matematiikan ja tilastotieteen laitos Vakuutusyhtiön vararikkotodennäköisyyksien simulointi alieksponentiaalisille korvausvaateille Oppiaine Läroämne Subject Matematiikka Työn laji Arbetets art Level Aika Datum Month and year Sivumäärä Sidoantal Number of pages Pro gradu -tutkielma Tammikuu s. Tiivistelmä Referat Abstract Tutkielmassa tutkitaan vakuutusyhtiön vararikko-ongelmaa CramérLundbergin mallissa. Mallin mukaan vakuutusyhtiön kassavirrat muodostuvat asiakkaiden maksamista vakuutusmaksuista ja vakuutusyhtiön maksamista korvauksista. Lisäksi mallissa yhtiöllä oletetaan liiketoiminnan alussa olevan alkupääomaa. Tällöin vararikolla tarkoitetaan tilannetta, missä maksettavat korvaukset ylittävät alkupääoman, sekä saadut vakuutusmaksut, jolloin yhtiön pääoma laskee negatiiviseksi. Tutkielmän tavoitteena on löytää menetelmä laadukkaan arvion muodostamiseksi vararikkotodennäköisyydelle annetulla alkupääomalla, sekä soveltaa tätä menetelmää numeeristen arvojen tuottamiseksi MATLAB-simuloinnilla. Mallissa asiakkaat maksavat vakuutusmaksuja vakiotasolla, mutta korvausvaateiden suuruus ja saapuminen yhtiöön oletetaan satunnaiseksi, jolloin niitä mallinnetaan stokastisina prosesseina. Korvausvaateiden suhteen rajoitutaan alieksponentiaalisesti jakautuneisiin korvausvaateisiin, sillä ne ovat reaalimaailmassa olennainen jakaumaperhe. Johdannon jälkeen luvuissa kaksi ja kolme käydään läpi tutkielman aiheen käsittelyssä tarvittavaa teoriaa ja käsitteistöä todennäköisyyksistä ja stokastisista prosesseista. Luvussa neljä käsittellään vararikkoteoriaa. Luvussa esitellään tutkielmassa tarkasteltavan CramérLundbergin mallin oletuksia ja ominaisuuksia. Näiden perusteella määritellään yhtiön pääoman muutosta ajan kuluessa kuvaava riskiprosessi ja edelleen yhtiön vararikkotodennäköisyys. Tämän lisäksi tarkastellaan hieman yhtiön asiakkaiden maksamien vakuutusmaksujen tason optimaalista määräämistä, sekä määritetään yleisesti vararikkotodennäköisyydelle keskeisiä arvioita ja esitys PollaczekKhinchinen kaavan avulla. Viides luku koostuu estimoinnin ja arvioinnin teoriasta. Siinä tutustutaan lyhyesti estimoinnin periaatteisiin ja käsitteisiin, sekä esitellään yleisimpiä kriteereitä estimointimenetelmän hyvyyden arviointiin. Tämän jälkeen tarkastellaan estimointimenetelmän tehokkuuden käsitettä vararikkotodennäköisyyksien simuloinnin kannalta ja perustellaan logaritmisen tehokkuuden valintaa laatukriteeriksi. Luvun kuusi aluksi perustellaan vararikotodennäköisyyksien arvioimiseen käytettävän menetelmän muodostamista, jonka jälkeen esitetään ja todistetaan tutkielman päätulos. Viimeisessä luvussa esitetään MATLAB-ohjelmistolla tuotetut numeeriset tulokset. Tutkielmassa pyritään keskittymään aiheen kannalta olennaisiin asioihin, jolloin osa esitettyjen tuloksien todistuksista sivuutetaan. Tällöin osoitetaan teoksia, joihin lukija voi kiinnostuksensa mukaan tutustua. Suoraviivainen jatko tutkielmaan olisi tarkastella vastaavaa tutkimusongelmaa mallissa, joka kuvastaisi vakuutusyhtiön toimintaa CramérLundbergin mallia realistisemmin. Tällöin yhtiön riskiprosessiin tulisi sisällyttää ainakin satunnaiset sijoitustuotot, yhtiön liiketoiminnan kulut ja mahdollisesti myös muita kassavirtoja. Avainsanat Nyckelord Keywords Vararikkotodennäköisyys, CramérLundebergin malli, Alieksponentiaalisuus, Simulointi Säilytyspaikka Förvaringsställe Where deposited Kumpulan tiedekirjasto Muita tietoja Övriga uppgifter Additional information

3 Sisältö 1 Johdanto 2 2 Todennäköisyysteoria Todennäköisyysavaruus Satunnaismuuttujat ja jakaumat Odotusarvo ja momentit Erityisiä jakaumia Yhdistetyt jakaumat Stokastiikka Stokastinen prosessi Poisson-prosessi Vararikkoteoria CramérLundbergin malli Nettotulosehto Vararikkotodennäköisyydet Estimointi 25 6 Algoritmi Lauseen 6.6 todistus Simulointi 41 A MATLAB-koodit 44 A.1 Pareto-jakautuneet korvausvaateet A.2 Log-normaalijakautuneet korvausvaateet

4 Luku 1 Johdanto Finanssimaailman toimijat kohtaavat nykyaikana paljon vakavaraisuuden- ja riskienhallintaan liittyvää sääntelyä. Sääntelyn keskeisenä tavoitteena on ehkäistä toimijoiden vararikkoon ajautumista ja näin ollen tehostaa asiakkaiden etujen turvaa, sekä edistää vakaata talouden kehitystä. Eräs tämän tavoitteen saavuttamisen työkaluista on yksittäisen toimijan vararikkotodennäiköisyyden määrittäminen tai arviointi. Tämä tutkielma tarkastelee vakuutusyhtiön vararikkotodennäköisyyksiä klassisessa CramérLundebergin mallissa. Se on hieman reaalimaailmaa yksinkertaisempi, sillä se olettaa yhtiön kassavirtojen muodostuvan vain vakiotasolla maksetuista vakuutusmaksuista, sekä asiakkaille maksetuista korvauksista. CramérLundbergin malli on saanut nimensä ruotsalaisilta matemaatikoilta Harald Cramérilta ( ) ja Filip Lundbergilta ( ). Lundberg esitteli mallin vuonna 1903 julkaistussa väitöskirjassaan ja loi näin pohjan vakuutusmatemaattiselle vararikkoteorialle. Avainasemassa Lundbergin työssä oli havainto Poissonin prosessien keskeisyydestä vakuutusmalleissa. Harald Cramér myöhemmin jatkoi Lundbergin mallin tutkimista liittäen mukaan stokastisten prosessien teoriaa. Malli tunnetaan myös klassisena yhdistettynä Poisson riskimallina tai klassisena riskiprosessina. Mallissa yhtiö aloittaa liiketoimintansa alkupääomalla U 0, jonka valinta luonnollisesti vaikuttaa vararikkotodennäköisyyteen. Tällöin siis yhtiön todennäköisyys ajautua vararikkoon on alkupääoman funktio. Tutkielman tavoite ei ole yhtiön vararikkotodennäköisyyden tarkka määrittäminen, vaan sen sijaan löytää menetelmä laadukkaan arvion tuottamiseksi, sillä usein tarkka todennäköisyys on vaikeaa tai jopa mahdotonta määrittää. Yhtiön vastaanottamien korvausvaateiden suuruus ja saapuminen ajatellaan mallissa satunnaiseksi, jolloin niitä mallinnetaan stokastisena prosessina. Reaalimaailmassa suurimman uhan yhtiölle muodostaa pienten korvausvaateiden summan sijaan yksi iso korvausvaade, minkä vuoksi tutkielmassa rajoitutaan alieksponentiaalisesti jakautuneisiin korvausvaateisiin, joilla on tämä yhtiön kannalta vaarallinen ominaisuus [7]. Tuotetun arvion laatukriteerinä käytetään lo- 2

5 garitmista tehokkuutta. Lisäksi tutkielmassa sovelletaan löydettyä menetelmää tuottaen simuloimalla arvioita vararikkotodennäköisyyksistä eri alkupääomilla. Simulointi on suoritettu käyttäen MATLAB R2016a-ohjelmistoa. Tutkielman rakenne on seuraava. Luvuissa kaksi ja kolme käydään lyhyesti läpi tutkielman kannalta oleellista teoriaa ja käsitteistöä todennäköisyysteoriasta ja stokastisista prosesseista. Näiden kappaleiden keskeisimpiä lähdeteoksia ovat [4], [9] ja [10]. Neljäs luku käsittelee tarkasteltavan CramérLundbergin mallin oletuksia ja ominaisuuksia yleisessä tapauksessa. Luvussa viisi tutustutaan estimoinnin periaatteisiin ja perustellaan logaritmisen tehokkuuden valintaa laatukriteeriksi. Kuudennessa luvussa muodostetaan menetelmä vararikkotodennäköisyyksien arvioimiseksi, sekä osoitetaan menetelmän tehokkuus valitun laatukriteerin mielessä. Viimeisessä luvussa sovelletaan löydettyä menetelmää muodostamalla konkreettisia numeerisia arvioita vararikkotodennäköisyyksille MATLAB-simuloinnilla. Simuloinnissa käytetyt koodit löytyvät liitteestä A. Tutkielman tärkein lähdeteos on [7]. Tämän lisäksi erittäin hyödyllisiä olivat myös teokset [9] ja [18], sekä viidennen luvun kannalta teokset [13] ja [14]. 3

6 Luku 2 Todennäköisyysteoria Vararikkoteoreettisissa ongelmissa avainasemassa ovat ilmiöt, joiden esiintymiseen liittyy satunnaisuutta. Tässä kappaleessa käydään lyhyesti läpi myöhemmin tarvittavaa todennäköisyyksien teoriaa, käsitteistöä ja tuloksia. Kappaleessa esitettävien tulosten todistukset sivuutetaan, sillä ne eivät ole tutkielman kannalta keskeisiä. Sivuutettavat yksityiskohtaiset todistukset esitetään muun muassa teoksissa [1], [2], [3] ja [4], jotka käsittelevät kappaleen aihepiiriä perusteellisemmin. 2.1 Todennäköisyysavaruus Satunnaisilmiöiden tarkasteluun käytettävää matemaattista mallia kutsutaan todennäköisyysavaruudeksi (tai vaihtoehtoisesti todennäköisyyskentäksi). Todennäköisyysavaruus koostuu kolmikosta (Ω, F, P), joille pätee: 1) Ω on epätyhjä perusjoukko tai otosavaruus, joka koostuu satunnaisilmiön alkeistapauksista. 2) F on sigma-algebra joukossa Ω eli kokoelma perusjoukon Ω osajoukkoja, joille pätee seuraavat ehdot: i) Perusjoukko Ω sisältyy kokoelmaan F. ii) Jos joukko A kuuluu kokoelmaan F, niin tällöin myös joukon A komplementti A C kuuluu kokoelmaan F. iii) Kokoelman F jäsenten kaikki numeroituvat yhdisteet kuuluvat myös kokoelmaan F. 3) P on jokaisessa F:n joukossa määritelty kuvaus, joka täyttää seuraavat todennäköisyysmitan ehdot: 4

7 i) Kuvaus P on mitta ii) Perusjoukon mitta on 1, eli P(Ω) = 1 Olkoon A kokoelma perusjoukon Ω osajoukkoja. Tällöin merkintä σ(a) tarkoittaa kokoelman A tuottamaa sigma-algebraa, joka on yksikäsitteinen pienin kokoelman A joukot sisältävä sigma-algebra. Paria (Ω, F) kutsutaan mitta-avaruudeksi ja kokoelman F jäseniä mitallisiksi joukoiksi. Todennäköisyyslaskennassa näistä mitallisista joukoista puhutaan usein tapahtumina ja tapahtuman A toteutumisen todennäköisyys on sen mitta todennäköisyysmitan P suhteen, eli P(A). Joskus tapahtuma B vaikuttaa tapahtuman A todennäköisyyteen, jolloin puhutaan ehdollisesta todennäköisyydestä. Tällöin tapahtuman A todennäköisyys on eri riippuen onko tapahtuma B sattunut vai ei. Tapahtuman A ehdollinen todennäköisyys ehdolla, että B on tapahtunut määritellään (2.1) P(A B) = P(A B), P(B) kun P(B) > Satunnaismuuttujat ja jakaumat Määritelmä 2.2. Oletetaan (Ω, F, P) todennäköisyysavaruudeksi. Mitallista kuvausta X : (Ω, F) (R, B) kutsutaan satunnaismuuttujaksi (tässä tapauksessa reaaliarvoiseksi). Satunnaismuuttujat voivat kuvautua myös reaaliluvuista poikkeaviin joukkoihin. Reaaliarvoiset satunnaismuuttujat ovat kuitenkin hyvin merkittävä ja tässä tapauksessa kaikkein relevantein ryhmä, joten rajoitutaan vain niihin. Tällöin tärkeä mitta-avaruus on reaaliluvut varustettuna reaalilukujen Borel-sigma-algebralla B(R), eli (R, B). Määritelmä 2.3. Satunnaismuuttujan X jakauma µ on todennäköisyysmitta mittaavaruudessa (R, B), jonka määrittelee ehto µ(a) = P(X 1 (A)) = P(ω Ω X(ω) A), A B. Määritelmä 2.4. Olkoon X satunnaismuuttuja. Tällöin funktio F : R R on satunnaismuuttujan X kertymäfunktio. F (x) = P(X x), x R, 5

8 Satunnaismuuttujat voivat olla joko diskreettejä, jatkuvia tai näiden molempien sekoituksia. Pelkästään diskreettien tai jatkuvien satunnaismuuttujien käsittelyyn on olemassa paljon käteviä tuloksia, mutta osittain jatkuvien ja osittain diskreettien satunnaismuuttujien käsittely menee helposti hyvin monimutkaiseksi. Määritelmä 2.5. Satunnaismuuttujan X jakauma on diskreetti, jos sen tulojoukko on numeroituva. Määritelmä 2.6. Diskreetin satunnaismuuttujan X pistetodennäköisyysfunktio on funktio f : R R, jolle f(x) = P(X = x), x R. Määritelmä 2.7. Satunnaismuuttujalla X on jatkuva jakauma, mikäli sen kertymäfunktio on jatkuva kaikilla x R, ja funktio f : R R on X:n tiheysfunktio, jos Tällöin myös F (x) = P(a X b) = x b a f(y)dy, x R. f(x)dx, a, b R, a < b. Mikäli jakaumaltaan jatkuvan satunnaismuuttujan kertymäfunktio on derivoituva melkein kaikkialla, voidaan tiheysfunktio muodostaa kertymäfunktion derivaattana. Jakaumaltaan jatkuvaa tai diskreettiä satunnaismuuttujaa kutsutaan myös jatkuvaksi satunnaismuuttujaksi tai vastaavasti diskreetiksi satunnaismuuttujaksi. Mikäli epäselvyys antaa sille aihetta, merkitään pistetodennäköisyys-, tiheys- tai kertymäfunktion alaindeksiin selvennys kyseisen funktion omaavasta satunnaismuuttujasta. Esimerkiksi F Y1 (x) tarkoittaa satunnaismuuttujan Y 1 kertymäfunktiota. Jos X ja Y ovat samalla perusjoukolla määriteltyjä satunnaismuuttujia, eli X : Ω R ja Y : Ω R, niin tällöin pari (X, Y ) : Ω R 2 muodostaa kaksiulotteisen satunnaisvektorin. Määritelmä 2.8. Satunnaisvektorin (X, Y ) jakauma eli satunnaismuuttujien X ja Y yhteisjakauma on R 2 :n osajoukoilla A määritelty kuvaus P((X, Y ) A) = P({ω Ω (X(ω), Y (ω)) A). Määritelmä 2.9. Olkoon (X, Y ) satunnaisvektori. Tällöin funktio F : R 2 R F (x, y) = P(X x, Y y), x, y R, on (X, Y ):n kertymäfunktio, eli satunnaismuuttujien X ja Y yhteiskertymäfunktio. 6

9 Vastaavasti kuin yksiulotteisessa tapauksessa, jatkuvan satunnaisvektorin (X, Y ) tiheysfunktio on f(x, y), ja x y (2.10) F (x, y) = ds f(s, t)dt. Ehdollisten todennäköisyyksien tapauksessa, ehdollinen tiheysfunktio määritellään seuraavasti. Määritelmä Olkoon satunnaisvektorilla (X, Y ) jatkuva jakauma tiheysfunktiolla f X,Y. tällöin satunnaismuuttujan X ehdollinen tiheysfunktio ehdolla Y = y on kun f Y (y) > 0. f X Y (x y) = f X,Y (x, y), x R, f Y (y) 2.3 Odotusarvo ja momentit Odotusarvo ja muut momentit ovat erittäin tärkeitä satunnaismuuttujan jakauman tunnuslukuja, jotka antavat tietoa jakauman luonteesta. Kaikkien momenttien kokoelman avulla jakauma voidaan määritellä yksikäsitteisesti. Satunnaismuuttujan odotusarvo määritellään yleisesti integraalina yli otosavaruuden Ω todennäköisyysmitan P suhteen. Määritelmä Satunnaismuuttujan X odotusarvo on E(X) = XdP, mikäli E( X ) on äärellinen, jolloin odotusarvo on olemassa. Tai vaihtoehtoisesti mikäli F on X:n kertymäfunktio. E(X) = Ω + xdf (x), Edellinen määritelmä ei ota lainkaan kantaa jakauman jatkuvuuteen, jolloin se pätee kaikenlaisille satunnaismuuttujille. Kun tarkasteltava satunnaismuuttuja on joko diskreetti tai jatkuva, voidaan odotusarvo määritellä käytännöllisemmällä tavalla. 7

10 Määritelmä Satunnaismuuttujan X odotusarvo on (i) E(X) = x Ω xf(x), kun X on diskreetti (ii) E(X) = R xf(x)dx, kun X on jatkuva. Funktio f on joko tiheysfunktio tai pistetodennäköisyysfunktio riippuen onko X diskreetti vai jatkuva. Lause Olkoon X satunnaismuuttuja, sekä olkoon g : R R mitallinen funktio, jolle E( g(x) ) <. (i) Jos X on diskreetti pistetodennäköisyysfunktiolla f, niin E(g(X)) = x Ω g(x)f(x). (ii) Jos X on jatkuva tiheysfunktiolla f, niin E(g(X)) = R g(x)f(x)dx. Listataan seuraavassa lauseessa odotusarvon yleisiä ominaisuuksia. Lause Olkoon X ja Y satunnaismuuttujia, sekä E(X) < ja E(Y ) <. Odotusarvolla on tällöin seuraavat ominaisuudet. (a) Jos X 0, niin E(X) 0. (b) Jos X 0 ja E(X) = 0, niin P(X = 0) = 1. (c) Jos X < Y, niin E(X) < E(Y ). (d) Jos c R, niin E(c) = c. (e) Jos c, d R, niin E(cX + dy ) = ce(x) + de(y ). (f) Jos X Y (X ja Y riippumattomia), niin E(XY ) = E(X)E(Y ). (g) Jos X ja Y ovat samoin jakautuneet, niin E(X) = E(Y ). Odotusarvo on jakauman ensimmäinen origomomentti, joita kutsutaan myös pelkästään momenteiksi. Origomomentin lisäksi toinen tärkeä ja käytännöllinen momentti on keskusmomentti. 8

11 Määritelmä Satunnaismuuttujan X n. origomomentti (tai momentti) µ n on mikäli E( X n ) <. µ n = E(X n ), n N, Määritelmä Satunnaismuuttujan X n. keskusmomentti ξ n on mikäli kyseinen odotusarvo on olemassa. ξ n = E((X E(X)) n ), n N, Toinen keskusmomentti on myös erityisen tärkeä jakaumien tunnusluku, varianssi, jota merkitään myös σx 2 = Var(X). Jakauman momentit voidaan myös määritellä yleisesti pisteen x 0 suhteen, jolloin origomomentit ja keskusmomentit ovat näistä erikoistapauksia. Tällöin origomomentit ovat momentteja pisteen x 0 = 0, eli origon suhteen ja keskusmomentit pisteen x 0 = E(X), eli jakauman odotusarvon suhteen. Määritelmä Satunnaismuuttujan X momentit generoiva funktio on kuvaus M X : R [0, ), jolle M X (t) = E(e tx ). Lause Jos momentit generoiva funktio M X (t) on reaalisena olemassa jossakin origon ympäristössä t < h, jossa h > 0, niin M X (t) on äärettömän monta kertaa derivoituva origossa, X:n kaikki momentit ovat olemassa, ja M X voidaan esittää suppenevana Taylorin sarjana t k M X (t) = k! E(Xk ), t < h. k=0 Edellä esitetty lause on erittäin hyödyllinen momenttien muodostamisessa, sillä ne saadaan suoraviivaisesti derivoimalla esitettyä Taylorin sarjamuotoa. Momentit generoivalla funktiolla on siis ominaisuus E(X k ) = M (k) X (0), k 1. Lause Seuraavat ominaisuudet pätevät momentit generoiville funktioille. (i) Jos a, b R, niin M ax+b (t) = e tb M X (at). (ii) Jos X Y, niin M X+Y (t) = M X (t)m Y (t). (iii) Jos M X (t) = M Y (t) jossakin origon ympäristössä, niin X ja Y ovat samoin jakautuneet. 9

12 Vastaavasti kuin ehdollisen todennäköisyyden tapauksessa, toisistaan riippuvien tapahtumien odotusarvoon vaikuttaa onko tieto on toinen tapahtuma tapahtunut vai ei. Tällöin tapahtuman A ehdollinen odotusarvo ehdolla, että B on tapahtunut, on E(A B). Satunnaismuuttujille se määritellään ehdollisten jakaumien avulla. Määritelmä Satunnaismuuttujan X odotusarvo ehdolla Y = y on sen ehdollisen jakauman odotusarvo, (i) E(X Y = y) = x Ω xf X Y (x y), kun X on diskreetti (ii) E(X Y = y) = R xf X Y (x y)dx, kun X on jatkuva. Esitetään seuraavaksi ehdollisen odotusarvon ominaisuuksia, jotka pätevät melkein varmasti. Lause Olkoon X, Y ja Z satunnaismuuttujia ja G jokin sigma-algebra. Tällöin (a) E(aX + by Z) = ae(x Z) + be(y Z), kaikilla a, b R. (b) Jos X 0, niin E(X Y ) 0. (c) Jos X Y, niin E(X Y ) = E(X). (d) E(E(X Z)) = E(X). (e) Jos X on G-mitallinen, eli X G, niin E(X G) = X. (f) Jos Y on G-mitallinen, niin E(XY G) = Y E(X G). 2.4 Erityisiä jakaumia Esitetään määritelmiä ja joitain käytännöllisiä ominaisuuksia tärkeimmille jatkossa tarvittaville jakaumille. Määritelmä Diskreetin satunnaismuuttujan X sanotaan olevan Bernoulli-jakautunut parametrilla p, jos sen pistetodennäköisyysfunktio on muotoa Tallöin merkitään X B(p). f(x) = p x (1 p) 1 x, x {0, 1}. 10

13 Lause Olkoon satunnaismuuttuja X B(p). Tällöin sille pätee seuraavat ominaisuudet. (i) E(X) = p (ii) σ 2 X = p(1 p) Määritelmä Diskreetin satunnaismuuttujan X sanotaan olevan Poisson-jakautunut parametrilla λ, jos sen pistetodennäköisyysfunktio on muotoa Tällöin merkitään X P oisson(λ). f(x) = λx x! e λ, λ > 0, x N {0}. Lause Olkoon satunnaismuuttujat X 1 P oisson(λ 1 ) ja X 2 P oisson(λ 2 ). Tällöin niille pätee seuraavat ominaisuudet. (i) E(X 1 ) = λ 1 (ii) σ 2 X 1 = λ 1 (iii) Jos X 1 X 2, niin X 1 + X 2 P oisson(λ 1 + λ 2 ). Määritelmä Diskreetin satunnaismuuttujan X sanotaan olevan geometrisesti jakautunut parametrilla 0 p 1, jos sen pistetodennäköisyysfunktio on muotoa Tällöin merkitään X Geom(p). f(x) = p(1 p) x, x N {0}. Lause Olkoon satunnaismuuttuja X Geom(p). Tällöin sille pätee seuraavat ominaisuudet. (i) E(X) = 1 p p (ii) σ 2 X = 1 p p 2 Geometrisesti jakautuneen satunnaismuuttujan kertymäfunktio saadaan suoraviivaisesti geometrisen sarjan ominaisuuksien avulla, F (x) = P(X x) = x p(1 p) i = 1 (1 p) x+1. i=0 11

14 Määritelmä Jatkuvan satunnaismuuttujan X sanotaan olevan eksponenttijakautunut parametrilla λ, jos sen tiheysfunktio on muotoa Tällöin merkitään X Exp(λ). f(x) = λe λx, λ > 0, x > 0. Eksponenttijakautuneen satunnaismuuttujan tiheysfunktiosta saadaan suoraviivaisesti integroimalla jakauman kertymäfunktio, x x ( e F (x) = f(t)dt = λe λt λx dt = λ λ 1 ) = 1 e λx. λ 0 Lause Olkoon satunnaismuuttuja X Exp(λ). Tällöin sille pätee seuraavat ominaisuudet. (i) E(X) = 1 λ (ii) σ 2 X = 1 λ 2 (iii) Jos x, h > 0, niin P(X > x + h X > x) = P(X > h). Lauseen kolmatta kohtaa kutsutaan usein eksponenttijakauman muistinmenetysominaisuudeksi. Tämä tarkoittaa, että jos X on jonkin elinaika, niin jäljellä oleva elinaika ei riipu jo eletystä ajasta. Tämän ominaisuuden vuoksi eksponenttijakauma on hyvin keskeisessä asemassa satunnaisilmiöitä tarkasteltaessa. Paksuhäntäiset jakaumat ovat hyvin keskeinen jakaumaperhe stokastisia systeemejä, kuten riskiprosesseja, kuvatessa ja mallinnettaessa. Monien yleisimpien jatkuvien jakaumien, kuten esimerkiksi normaalijakauman ja eksponenttijakauman, oikeanpuoleiset hännät ovat jonkin eksponentiaalisesti laskevan funktion rajoittamia, jolloin puhutaan kevythäntäisistä jakaumista. Paksuhäntäisiksi kutsutaan jakaumia, jotka eivät täytä tätä ehtoa. Määritelmä Satunnaismuuttujan X jakaumaa kutsutaan paksuhäntäiseksi, jos kaikilla t > 0. M X (t) = E(e tx ) =, Vastaavasti kevythäntäisille jakaumille pätee M X (t) < jollakin t > 0. Tunnetuimpia ja useimmin käytetyimpiä paksuhäntäisiä jakamia ovat Pareto-jakauma, Weibull-jakauma ja log-normaalijakauma. Nämä kaikki kuuluvat myös tärkeään paksuhäntäisten jakaumien alaluokkaan, alieksponentiaalisiin jakaumiin. 12

15 Määritelmä Olkoon X 1 ja X 2 riippumattomia satunnaismuuttujia ketymäfunktioilla F X1 ja F X2. Tällöin kertymäfunktioiden konvoluutio määritellään ehdosta F X1 F X2 (x) = F X1 (x t)df X2 (t), x R. Tiheysfunktioiden konvoluutio määritellään myös vastaavasti. R Konvoluution avulla voidaan määrittää jakauma satunnaismuuttujalle X 1 + X 2 niiden omien jakaumien avulla. Tällöin esimerkiksi kertymäfunktio F X1 +X 2 (x) saadaan kertymäfunktioiden F X1 ja F X2 konvoluutiona, F X1 +X 2 (x) = P(X 1 + X 2 x) = F X1 F X2 (x). Määritelmä Olkoon X positiivinen satunnaismuuttuja kertymäfunktiolla F. Lisäksi merkitään F (x) = P(X > x) = 1 F (x), jota kutsutaan myös häntäfunktioksi. X:n jakauma on alieksponentiaalinen, jos F F (x) lim x 2F (x) = 1. Tällöin merkitään F S, missä S on alieksponentiaalisten jakaumien luokka. Olkoon X 1,..., X n riippumattomia ja samoin jakautuneita positiivisia satunnaismuuttujia kertymäfunktiolla F X. Tällöin on yhtäpitävää määritelmän 2.33 kanssa määritellä F X alieksponentiaaliseksi, jos kaikille n 2 (2.34) lim x P(X X n > x) P(max(X 1,..., X n ) > x) = Yhdistetyt jakaumat Olkoon jonon Z 1, Z 2,... jäsenet ja N N {0} ei-negatiivisia ja riippumattomia satunnaismuuttujia, sekä Z 1, Z 2,... samoin jakautuneita. Tällöin satunnaismuuttujaa { Z1 + + Z (2.35) X = N,jos N 1 0,jos N = 0 kutsutaan yhdistetyksi satunnaismuuttujaksi ja sen jakaumaa yhdistetyksi jakaumaksi. Yhdistetyt jakaumat ovat tärkeässä asemassa nanssimaailman satunnaisilmiöitä mallinnettaessa, joista varsinkin yhdistetty Poisson-jakauma on keskeinen. Tämän lisäksi esitetään yhdistetty geometrinen jakauma, joka on myös hyödyllistä tuntea. 13

16 Määritelmä Olkoon N P oisson(λ), sekä Y 1, Y 2,... riippumattomia ja samoin jakautuneita satunnaismuuttujia kertymäfunktiolla F Y. Olkoon lisäksi N riippumaton satunnaismuuttujista Y 1, Y 2,.... Tällöin satunnaismuuttujalla X = N i=1 Y i on yhdistetty Poisson-jakauma parametrilla (λ, F Y ). Yhdistetyn Poisson-jakautuneen muuttujan X pistetodennäköisyysfunktio on muotoa f X (x) = n=0 λ λn e n! (f Y ) n (x), x N {0}, missä (f Y ) n on satunnaismuuttujien Y 1, Y 2,... pistetodennököisyysfunktion n-kertainen konvoluutio itsensä kanssa. Määritelmä Olkoon N Geom(p), sekä Y 1, Y 2,... riippumattomia ja samoin jakautuneita satunnaismuuttujia kertymäfunktiolla F Y. Olkoon lisäksi N riippumaton satunnaismuuttujista Y 1, Y 2,.... Tällöin satunnaismuuttujalla X = N i=1 Y i on yhdistetty geometrinen jakauma parametrilla (p, F Y ). Yhdistetyn geometrisesti jakautuneen muuttujan X kertymäfunktio on muotoa F X (x) = (1 p) n=0 p n FY n (x). 14

17 Luku 3 Stokastiikka Sana stokastinen tulee Kreikan kielestä ja sen voi tulkita tarkoittavan satunnaista. Niin luonnossa kuin monella tieteenkin alalla, ilmenee todennäiköisyysteorian lakeja noudattavia ajan kuluessa muuttuvia satunnaisilmiöitä, joiden mallinnukseen ja tutkimiseen käytetään stokastisia prosesseja. Esimerkiksi bakteeripopulaation kasvuun ja nanssimarkkinoiden muutoksiin on olemassa sopivia prosesseja, joiden avulla näiden ilmiöden käyttäytymistä pyritään muun muassa ennustamaan. 3.1 Stokastinen prosessi Määritelmä 3.1. Satunnaismuuttujien kokoelmaa (X t ; t T ) indeksijoukolla T kutsutaan stokastiseksi prosessiksi. Satunnaismuuttujien arvoja kutsutaan prosessin tiloiksi, jotka muodostavat tilajoukon S. Prosessin indeksijoukko kuvastaa usein aikaa, jolloin T R ja X t tarkoittaa kyseistä prosessia hetkellä t. Vaihtoehtoisesti voidaan myös käyttää alaindeksin sijaan merkintää X(t) := X t. Stokastiset prosessit luokitellaan niiden indeksi- ja tilajoukkojen jatkuvuuden perusteella diskreeteiksi tai jatkuviksi, ja diskreetti- tai reaaliarvoisiksi prosesseiksi. Esimerkki 3.2. Kuvitellaan liike, jossa asiointi tapahtuu yhden palvelutiskin kautta. Asiakas saapuessaan liikkeeseen siirtyy joko palveltavaksi tai jonoon, riippuen onko liikkeeseen saapunut jo aiemmin muita asiakkaita. Palvelua saatuaan asiakas poistuu liikkeestä. Tällainen yhden jonon jonotussysteemi on yksinkertainen esimerkki ilmiöstä, jota voidaan mallintaa stokastisena prosessina. Tällöin prosessi (X(t)) voi kuvata liikkeessä olevien asiakkaiden lukumäärää hetkellä t tilajoukkona N {0}. Erityisesti tällainen prosessi voi siirtyä nykytilasta vain tilaan joka on yhtä suurempi, yhtä pienempi tai pysyä nykyisessä tilassa. Usein tällaisessa mallissa uuden asiakkaan saapuminen ja yksittäisen palvelun kesto oletetaan satunnaiseksi. 15

18 Stokastisita prosesseista on yleisesti sanottavissa aika niukasti. Markovin ketjut muodostavat laajan ja käytännöllisen stokastisten prosessien luokan. Määritelmä 3.3. Stokastinen prosessi (X(t) ; t N {0}) on Markovin ketju, jos se täyttää ehdon P(X(t + 1) = j X(0) = i 0,..., X(t 1) = i t 1, X(t) = i t ) = P(X(t + 1) = j X(t) = i t ) kaikilla ajanhetkillä t N {0} ja tiloilla i, j S. Määritelmän ehtoa kutsutaan Markov-ominaisuudeksi. Sen mukaan prosessin tuleva tila riippuu ainoastaan tämänhetkisestä tilasta koko historian sijaan. Markovin ketjujen tärkeimpiä ominaisuuksia ovat tilojen väliset siirtymätodennäköisyydet ja ketjun siirtymämatriisi. Määritelmä 3.4. Olkoon (X(t)) stokastinen prosessi. Tilojen i, j S välinen siirtymätodennäköisyys on p ij = P(X(t + 1) = j X(t) = i). Lisäksi prosessin (X(t)) sanotaan olevan stationaarinen, mikäli p ij = P(X(t + 1) = j X(t) = i) = P(X(u + 1) = j X(u) = i), eli mikäli siirtymätodennäköisyydet eivät riipu ajanhetkistä, vaan pelkästään tiloista i, j S. Määritelmä 3.5. Olkoon (X(t)) Markovin ketju ja p ij siirtymätodnnäköisyys tilasta i tilaan j. Tällöin ketjun määrittelevä siirtymämatriisi on p 00 p p 0j p 10 p p 1j P = p i0 p i1... p ij Jatkon kannalta tärkeä prosessi on laskuriprosessi, (N(t) ; t 0), joka nimensä mukaisestikin laskee tapahtuneiden insidenssien kokonaismäärän tarkasteltavalla ajanjaksolla. Insidensseillä tarkoitetaan jotain tarkasteltavan ilmiön tapahtumaa, esimerkiksi asiakkaan saapumista liikkeeseen. Laskuriprosessilla on seuraavat ominaisuudet: (i) N(0) = 0. (ii) N(t) N {0}. 16

19 (iii) Jos u t, niin N(u) N(t). Oleellista laskuriprosessissa on, että seuraava mahdollinen tila on ainoastaan yhden nykyistä suurempi. Luonnollisesti ominaisuuksista seuraa, että jos u < t, niin tällöin N(t) N(u) kertoo aikavälillä [u, t] tapahtuneiden insidenssien määrän. Erityisesti N(t) N(0) = N(t) 0 = N(t) tarkoittaa välillä [0, t] tapahtuneiden insidenssien määrää. 3.2 Poisson-prosessi Määritelmä 3.6. Poisson-prosessi intensiteetillä λ > 0 on laskuriprosessi (N(t) ; t 0) varustettuna seuraavilla ominaisuuksilla: (i) N(0) = 0. (ii) Sen lisäykset N(t) N(s) ja N(v) N(u) ovat riippumattomia kaikille ajanhetkille 0 s < t u < v. (iii) N(t) on Poisson-jakautunut satunnaismuuttuja parametrilla λt, kaikilla t > 0. Poisson-prosessi riippuu vain sen parametrista, joka voi olla vakio, funktio tai Radonmitta. Poisson-prosessin sanotaan olevan homogeeninen, jos sen parametri λ on vakio. Tällöin se on myös stationaarinen, jolloin N(h + t) N(h) N(t). Vastaavasti epähomogeeniseksi sanotaan Poisson-prosessia, jonka parametrina on vakion sijaan jokin intensiteettifunktio Λ. 40 N(t) t Kuva 3.1: Erään Poisson-prosessin kuvaaja Lemma 3.7. Olkoon (N(t) ; t 0) homogeeninen Poisson-prosessi intensiteetillä λ. Tällöin E(N(t)) = λt. 17

20 Todistus. Suoraan Poisson-prosessin määritelmän perusteella N(t) P oisson(λt), joten lauseen 2.26 ensimmäisen kohdan perusteella E(N(t)) = λt. Stokastiset prosessit määriteltiin kokoelmana satunnaismuuttujia, joten vastaavasti yhdistetty stokastinen prosessi voidaan määritellä kokoelmana yhdistettyjä satunnaismuuttujia. Määritelmä 3.8. Olkoon Y 1, Y 2,... riippumattomia ja samoin jakautuneita satunnaismuuttujia kertymäfunktiolla F, sekä lisäksi (N(t)) satunnaismuuttujista Y 1, Y 2,... riippumaton Poisson-prosessi intensiteetillä λ. Määritellään yhdistetty satunnaismuuttuja N(t) X(t) = Y i. Tällöin prosessi (X(t) ; t 0) on yhdistetty Poisson-prosessi parametrilla (λ, F ). i=1 18

21 Luku 4 Vararikkoteoria Vararikkoteoria, tai vaihtoehtoisesti riskiteoria, tarkastelee nanssilaitoksen vakavaraisuutta, haavoittuvuutta ja vararikon mahdollisuutta matemaattisia malleja hyödyntäen. Finanssilaitokset kohtaavat päivittäisessä liiketoiminnassaan usein satunnaisten ilmiöiden aheuttamia riskejä, joihin huonosti varautuminen voi aiheuttaa laitoksen vararikon ja vaikuttaa talouteen jopa maailmanlaajuisesti. Vararikkoteorian avulla pyritään arvioimaan yhtiön mahdollisia vararikkohetkiä ja niiden todennäköisyyksiä, jolloin liiketoiminnan riskeiltä pystytään suojautumaan ajoissa. Tarkastellaan jatkossa nanssimaailman toimijoista vain vakuutuslaitoksia, joille suurimpia riskejä aiheuttavat varsinkin vakuutuskorvauksiin johtavat tapahtumat. 4.1 CramérLundbergin malli Vakuutusyhtiön kokonaistulot ja -menot koostuvat usein monista erillisistä tekijöistä, mutta tarkastellaan hieman yksinkertaisempaa mallia, jota toki voi tarvittaessa laajentaa ja monipuolistaa. CramérLundbergin malli on hyvin klassinen vararikkoteoreettinen malli vakuutusyhtiön vakavaraisuuden tarkasteluun, jonka ruotsalainen matemaatikko Filip Lundberg esitteli jo vuonna Mallin keskeisin tarkoitus on tutkia todennäköisyyttä, millä yhtiö kohtaa vararikon. Oletetaan, että vakuutusyhtiön tulot koostuvat ainoastaan asiakkaiden maksamista vakuutusmaksuista ja menot vakuutuskorvauksista. Lisäksi yhtiöllä on omaa pääomaa, jota merkitään muuttujalla U. Tällöin U(0) = u tarkoittaa yhtiö pääomaa hetkellä 0, eli alkupääomaa ennen tarkasteltavan periodin ja vakuutustoiminnan alkua. Yhtiön asiakkaat maksavat vakuutusmaksuja vakiotasolla c tarkasteltavan periodin kuluessa, jolloin ct on yhtiön tulot aikavälillä [0, t]. Korvausvaateet aiheutuvat satunnaisilmiöistä, joten niitä mallinnetaan stokastisia prosesseja hyödyntäen. Oletetaan, että korvausvaateet Y 1, Y 2,... 19

22 saapuvat yhtiöön Poisson-prosessin (N(t) ; t 0) mukaisesti intensiteetillä λ. Lisäksi Y 1, Y 2,... ovat riippumattomia ja samoin jakautuneita kertymäfunktiolla F, odotusarvolla µ <, sekä riippumattomia saapumisprosessista (N(t)). Tällöin oletusten perusteella kokonaisvahinkomäärä R(t) = Y 1 + Y Y N(t) on yhdistetty Poisson-prosessi parametrilla (λ, F ). CramérLundbergin mallin ominaisuuksien vuoksi yhtiön pääomaa hetkellä t 0 voidaan kuvata riskiprosessina (4.1) U(t) = u + ct R(t). Kuva 4.1 havainnollistaa riskiprosessin U(t) kulkua. Vararikolla tarkoitetaan tilannetta kun yhtiön alkupääoma ja saatavat vakuutusmaksut eivät riitä kattamaan korvauksista aiheutuvia kuluja. Olkoon τ(u) yhtiön vararikkohetki alkupääomalla u, jolloin se määritellään (4.2) τ(u) = min{t 0 U(t) < 0}. Tällöin yhtiön vararikkotodennäköisyys ψ(u) määritellään (4.3) ψ(u) = P(τ(u) < ). U(t) 0 t Kuva 4.1: CramérLundbergin mallin riskiprosessin kuvaaja. Vakuutusmaksutaso c on kuvaajan kulmakerroin ja saapuneet korvausvaateet aiheuttavat prosessin pudotukset. 20

23 4.1.1 Nettotulosehto Esitellyn mallin mukaisesti vakuutusyhtiö saa asiakkailta vakuutusmaksuja tasolla c. Tarkastellaan seuraavaksi c:n optimaalista valintaa. Lause 4.4. CramérLundbergin mallin mukaisen riskiprosessin muodostavien satunnaismuuttujien odotusarvo on E(U(t)) = u + ct + λµt. Todistus. Odotusarvon ominaisuuksien perusteella saadaan suoraviivaisesti E(U(t)) = E(u + ct + R(t)) = u + ct + E(R(t)). Prosessi (R(t)) määriteltiin R(t) = Y 1 +Y 2 + +Y N(t), sekä lisäksi (N(t)) on homogeeninen Poisson-prosessi, joten E(R(t)) = = = = E(R(t) N(t) = k)p(n(t) = k) k=o N(t) E Y i N(t) = k P(N(t) = k) k=1 i=1 ( k ) E Y i P(N(t) = k) k=1 i=1 kµp(n(t) = k) k=1 = µe(n(t)) = λµt. Ajan kuluessa yhtiö tekee tulosta vain vakuutusmaksuilla, sillä alkupääoma pysyy samana riippumatta t:stä. Riskiprosessin odotetuksi tulokseksi periodilla [0, t] saadaan E(U(t)) u = (c λµ)t. Tällöin selkeä ehto vakuutusmaksujen tason valinnalle on (4.5) (c λµ)t > 0, eli (4.6) c λµ > 0. 21

24 Olkoon θ vakuutusmaksun varmuuslisä, jolloin mallin nettotulosehto määritellään (4.7) θ = c λµ 1 > 0. Nyt yhtiölle maksetut vakuutusmaksut jakson [0, t] aikana voidaan ilmoittaa myös muodossa (4.8) ct = (1 + θ)λµt Vararikkotodennäköisyydet Vararikkoteorian eräs tavoite on määrittää yhtiön vararikkotodennäköisyys annetulla alkupääomalla u, tai vähintään löytää sille luotettava arvio suljetun ratkaisun puuttuessa. CramérLundbergin mallissa satunnaisuutta on vain kokonaisvahinkomäärässä, jolloin korvausvaateiden suuruusjakauma on avainasemassa vararikkotodennäköisyyksiä tarkasteltaessa. Aiemmin kohdassa 2.4 esiteltiin paksuhäntäisten ja kevythäntäisten jakaumien perhe. Kaikki jakaumat ovat joko päksuhäntäisiä, tai kevythäntäisiä, joten vakuutusyhtiö kohtaa korvausvaateita, jotka ovat jakautuneet jommalla kummalla tavalla. Kevythäntäiset jakaumat ovat jonkin eksponentiaalisesti laskevan funktion rajoittamia, joten suurten arvojen todennäköisyys laskee eksponentiaalisesti ja näin ollen ne ovat hyvin epätodennäköisiä. Paksuhäntäisillä jakaumilla näin ei ole, vaan tällaisen jakauman omaava satunnaismuuttuja voi saada suurenkin arvon varteenotettavalla todennäköisyydellä. Monesti niistä puhutaankin vakuutusyhtiölle vaarallisina jakaumina, sillä korvausvaateiden näin jakautuessa yhtiö voi kohdata hyvinkin suuria korvausvaateita, ja edelleen ajautua vararikkoon, huomattavasti todennäköisemmin. Tarkastellaan aluksi yhtiön vararikkotodennäköisyyden ψ(u) määrittämistä yleisesti, ilman oletuksia korvausvaateiden jakaumasta. Aiemmin vararikkotodennäköisyys määriteltiin CramérLundbergin mallin sisällä (4.9) ψ(u) = P(τ(u) < ). Todennäköisyydelle 1 ψ(u) voidaan löytää täsmällinen esitys soveltaen Pollaczek-Khinchinen kaavaa, jonka avulla saadaan ( (4.10) 1 ψ(u) = 1 λµ ) ( ) n λµ FI n (u). c c Kaavassa (4.10) F tarkoittaa korvausvaateiden Y 1, Y 2,... kertymäfunktiota ja F I integroitua häntäjakaumaa, joka määritellään (4.11) F I (x) = 1 µ x 0 22 n=0 F (z)dz.

25 Merkitään lisäksi (4.12) f I (x) = F (x) µ. Integroitu hantäjakauma on erään satunnaismuuttujan kertymäfunktio, jolloin f I (x) on tiheysfunktio. Pollaczek-Khinchinen kaava on kehitettiin jonotussysteemien tarkasteluun, jolloin se esittää yhteyden jonon pituudelle ja palveluajalle tietynlaisessa systeemissä. Cramér Lundbergin malli on hyvin vertailukelpoinen tällaiseen jonotussysteemiin, jolloin kyseistä kaavaa voidaan soveltaa myös vararikkotodennäköisyyksien määrittämiseen. Kaavan 4.10 johtaminen sekä lisää perusteluja Pollaczek-Khinchinen kaavan soveltamiskelpoisuudelle löytyy teoksista [9] ja [11]. Esitys päättymättömänä sarjana luo haasteita kaavan (4.10) käytännöllisyydelle tarkoissa laskelmissa, mutta se on erityisen hyödyllinen ψ(u):n arvioinnissa numeerisia menetelmiä hyödyntäen, sillä sen muoto kertoo yhtiön selviytymistodennäköisyyden 1 ψ(u) olevan jonkin satunnaismuuttujan kertymäfunktio, jolla on yhdistetty geometrinen jakauma. Kaavan (4.10) täsmällinen ratkaiseminen on usein haastavaa tai jopa mahdotonta, riippuen jakaumatyypistä F. Toisaalta taas esimerkiksi eksponenttijakautuneille korvausvaateille kaava (4.10) pelkistyy hyvinkin yksinkertaiseen muotoon. Tästä tapauksesta lisää muun muassa teoksissa [7], [11] ja [12]. Täsmällisen ratkaisun puuttuessa on käytettävä estimointimenetelmiä ja etsittävä paras mahdollinen arvio ψ(u):lle. Vararikkotodennäköisyyden luonteen vuoksi erityisen kiinnostavaa on etsiä tälle luotettava yläraja. Lause Olkoon (U(t)) CramérLundbergin mallin mukainen riskiprosessi sekä M Y (t) korvausvaateiden momentit generoiva funktio. Olkoon lisäksi olemassa Lundbergin eksponentti R, joka on yhtälön M Y (t) 1 = ct λ positiivinen ratkaisu. Tällöin pätee ψ(u) e Ru. Todistus. Vastaava tulos todistetaan esimerkiksi teoksissa [7] ja [12], mutta nyt se sivuutetaan epäoleellisena. Tulos 4.13 on käyttökelpoinen vain kevythäntäisten jakaumien kohdalla, sillä se edellyttää ääreellistä momentit generoivaa funktiota. Rajoitutaan jatkossa tarkastelemaan vain alieksponentiaalisten jakaumien luokkaa, jotka vaarallisen paksuhäntäisen luonteensa vuoksi muodostavat mielenkiintoisen ja tärkeän jakaumien erityisryhmän. Näin jakautuneiden korvausvaateiden erityispiirteenä oli 23

26 se, että tällöin yhtiön vararikkoon ajautumiseen aiheuttaa yksittäinen suuri korvausvaade usean pienemmän sijaan. Tällöin siis tuloksessa 4.13 vaadittavaa Lundbergin eksponenttia R ei ole olemassa, joten vararikkotodennäköisyyden arviointiin on käytettävä muita menetelmiä. Vararikkotodennäköisyyksille voidaan löytää asymptoottisia arvioita, mutta ne eivät ole tämän tutkielman keskeisintä aihepiiriä. Esitetään kuitenkin eräs keskeinen tulos CramérLundbergin mallille. Lause Tarkastellaan CramérLundbergin mallia nettotulosehdolla θ > 0 ja F I S. Tällöin ψ(u) F I(u), θ kun u. Todistus. Tuloksen todistus löytyy esimerkiksi teoksista [7] ja [9]. 24

27 Luku 5 Estimointi Estimoinnilla tarkoitetaan menetelmiä, joilla yritetään löytää käyttökelpoista estimaattia, eli arviota, kun jonkin parametrin täsmällinen määrittäminen on syystä tai toisesta mahdotonta. Tällaisia menetelmiä käytetään usein tilastotieteissä jonkin tuntemattoman parametrin arvon määrittämiseksi saatavilla olevan aineiston perusteella. Matemaattisissa ongelmissa usein taas monimutkaiset kaavat pakottavat etsimään riittäviä ylä- tai alarajoja tarkasteltaville suureille. Toinen mahdollinen keino on etsiä yksinkertaisempia funktioita, jotka käyttäytyvät riittävän samankaltaisesti tarkasteltavan funktion kanssa. Estimoitaessa kehitetään sääntö tai funktio, jolla muodostetaan arvio tarkasteltavasta parametrista käytetyn aineiston pohjalta. Tätä sääntöä kutsutaan estimaattoriksi. Estimaattorin hyvyyttä arvioidaan tutkimalla kuinka tarkasti sen jakauma keskittyy tuntemattoman parametrin läheisyyteen. Eräitä perinteisiiä kriteereitä ovat harhattomuus, tarkentuvuus ja tehokkuus. Määritelmä 5.1. Olkoon tuntematon parametri θ ja sen estimaattori T. Lisäksi olkoon T n otoskokoon n perustuva estimaattori. (i) Estimaattori T on harhaton, mikäli E(T ) = θ. Lisäksi estimaattori T n on asymptoottisesti harhaton, mikäli otoskoon n kasvaessa harha lähestyy nollaa, eli lim E(T n) = θ. n (ii) Estimaattori T on tarkentuva, mikäli se suppenee stokastisesti kohti estimoitavan parametrin todellista arvoa θ, eli lim P( T n θ > ε) = 0, n kaikilla ε > 0. Tällöin merkitään T n P θ 25

28 (iii) Olkoon T myös parametrin θ estimaattori. Tällöin estimaattorin T sanotaan olevan tehokkaampi kuin T, jos E((T θ) 2 ) E((T θ) 2 ). Harhattoman estimaattorin tapauksessa E(T ) = E(T ) = θ, jolloin määritelmän 5.1 kohta (iii) voidaan muotoilla (5.2) σ 2 T σ 2 T. Luottamusjoukoilla mitataan käytettävän mallin, estimointimenetelmän ja sitä kautta myös muodostetun estimaatin luotettavuutta. Usein, kuten myös nyt käsiteltävää vararikko-ongelmaa tarkastellessa, puhutaan luottamusväleistä estimoitavan parametrin yksiulotteisuuden vuoksi. Aineistosta riippuva parametriavaruuden osajoukko on luottamusjoukko luottamustasolla 1 α, jos satunnainen parametriavaruuden joukko peittää vähintään todennäköisyydellä 1 α todellisen parametriarvon θ, joka on kiinteä ei satunnainen piste parametriavaruudessa. Käytetään yleisesti käytettyä luottamusväliä luottamustasolla 0, 95, jolloin se muodostetaan (5.3) ˆx ± 1, 96 σ x n, missä ˆx on muodostettu estimaatti, σ x käytetyn estimaattorin hajonta ja n otoksen suuruus. Estimoinnissa käytetty aineisto koostuu usein ajan mittaan kerätystä historiallisesta datasta, mutta aina tarpeeksi kattavaa, tai muuten mielekästä, aineistoa ei ole saatavilla. Tällöin vaihtoehtona on käytettävän aineiston luominen esimerkiksi simuloimalla. Eräs simulointimenetelmä on tuottaa tietokoneella havaintoja tarkasteltavan ilmiön jakaumaa noudattavasta satunnaismuuttujasta, joiden perusteella muodostetaan estimaatti sopivaa estimaattoria käyttäen. Tämän menetelmän haasteena on tarkasteltavaan ilmiöön sopivan jakauman löytäminen, sekä mahdollisesti luotettavaan estimaattiin tarvittava tuotettavien havaintojen suuri määrä. Lisäksi monet todellisuutta kuvaavat mallit voivat olla niin monimutkaisia, jolloin simuloinnissa on pakkoa rajoittua vain osailmiöihin. Osion päätteksi todettiin etteivät siinä esitetyt keinot ole käytettävissä yhtiön vararikkotodennäköisyyden arviointiin, kun F S eli korvausvaateet ovat alieksponentiaalisesti jakautuneet. Tarkastellaan nyt simuloinnin hyödyntämistä tämän vararikkoongelman ratkaisussa. Pyritään tuottamaan simuloimalla havaintoja Z 1, Z 2,..., jotka ovat riippumattomia ja samoin jakautuneita jonkin satunnaismuuttujan Z kanssa, jonka avulla vararikkotodennäköisyyden voisi esittää muodossa ψ(u) = E(Z). Tällöin estimaattorina on suoraviivaista käyttää havintojen keskiarvoa z, sillä se täyttää harhattomuuden 26

29 kriteerin (5.4) E(z) = E ( 1 n ) n Z i = 1 n i=1 n E(Z i ) = 1 n E(Z) = ψ(u). n Luottamusvälien muodostamiseen käytetään havainnon Z i otosvarianssia (5.5) s 2 = 1 n (Z i z) 2, 1 n i=1 i=1 sillä se on harhaton varianssin estimaattori. Tällöin muodostetulle estimaatille saadaan 95%:n luottamusväli (5.6) z ± 1, 96 s. n Simulointimenetelmiä on monenlaisia, joten on luonnollista vaatia käytetyltä menetelmältä tarkkuutta ja tehokkuutta, jolloin menetelmää käyttäen saadut tulokset olisivat käyttökelpoisia. Tähän liittyviä keskeisiä käsitteitä ovat absoluuttinen ja suhteellinen virhe. Vakuutusyhtiön vararikkotodennäköisyydet laskevat alkupääoman kasvaessa, jolloin puhutaan harvinaisten tapahtumien simuloinnista. Tällöin suhteellinen virhe σ Z, on ψ(u) käyttökelpoinen tapa mitata menetelmän tehokkuutta. Esimerkiksi tunnetussa ja suoraviivaisessa karkeassa Monte Carlo -menetelmässä määritellään tuotettava satunnaismuuttuja Z vararikon indikaattoriksi (5.7) Z = 1(τ(u) < ), jolloin havainnot ovat Bernoulli-jakautuneet ja siten σz 2 = ψ(u)(1 ψ(u)). Selkeästi σz 2 0, kun ψ(u) 0, jolloin menetelmän absoluuttinen virhe pienenee vararikkotodennäköisyyden pienetessä. Kuitenkin suhteellinen virhe vastaavasti kasvaa, sillä σ Z ψ(u)(1 ψ(u)) ψ(u) = 1 ψ(u) =, ψ(u) ψ(u) kun ψ(u) 0, joten menetelmä voi olla tehoton, vaikka absoluuttinen virhe olisikin pieni. Toinen keino havainnollistaa tätä ongelmaa on tutkia halutun tarkuuden saavuttamiseksi tarvittavan otoskoon n suuruutta. Tämä tarkastelu on oleellista, sillä usein simulointimenetelmän hyvyyttä ja tehokkuutta mitataankin simulointikierrosten ja vaaditun otoskoon suurudella. Tällöin menetelmän sanotaan olevan tehokas, mikäli tarkuudeltaan halutun estimaatin tuottaminen vaatii vain vähän laskentatehoa ja simulointikierroksia. Esimerkiksi karkeassa Monte Carlo -menetelmässä halutun suhteellisen tarkkuuden ollessa 10%, päädytään yhtälöön (5.8) 1, 96σ Z ψ(u) n = 0, 1, 27

30 eli ( 10 1, 96σZ (5.9) n = ψ(u) ) 2 = 100 1, 962 ψ(u)(1 ψ(u)) ψ(u) , 962. ψ(u) Vaadittava otoskoko siis kasvaa, mikäli estimoitava todennäköisyys on pieni. Harvinaisten tapahtumien estimoinnissa tilanne on juuri tämä, sillä ψ(u) 0 kun u. Toisin sanoen, jotta vaadittu otoskoko n ei kasvaisi liian suureksi, tulee estimaattorin suhteellisen virheen olla rajoitettu. Rajoitetun suhteellisen virheen on havaittu todellisissa harvinaisten tapahtumien asetelmissa parhaimmaksi tehokkuuden arviointimenetelmäksi, kun u. Tarkasteltavan tilanteen estimaattorille z sitä merkitään (5.10) lim sup u σ Z ψ(u) <. Tällöin siis estimaattorin varianssi pienee samaa tahtia kuin ψ(u) 2, jolloin suhteellinen virhe pysyy rajoitettuna ja sitä kautta myös vaadittu otoskoko. Tätä hieman heikompi tehokkuuden käsite on logaritminen (tai asymptoottinen) tehokkuus. Käytännöllisesti katsottuna näiden ero on vähäinen, mutta joissain tapauksissa rajoitetun suhteellisen virheen estimattoria ei ole olemassa tai yksinkertaisesti löydettävissä, kun taas logaritmisesti tehokas on. Lisäksi logaritminen tehokkuus on usein yksinkertaisempi todeta, joten on perusteltua vaatia estimaattorilta mielummin sitä kuin rajoitettua suhteellista virhettä. Estimaattori on logaritmisesti tehokas kun (5.11) lim sup u σ 2 Z ψ(u) 2 ε = 0 kaikille ε > 0. Tällöin siis vaaditaan, että varianssi σz 2 pienenee hiukan hitaammin kuin ψ(u) 2, jolloin se on vaatimuksena rajoitettua suhteellista virhettä heikompi. Seuraava tulos antaa käytännöllisemmän, mutta ehdon (5.11) kanssa yhtäpitävän muodon logaritmiselle tehokkuudelle. Lause Estimaattori on logaritmisesti tehokas, mikäli lim inf u ln σ Z ln ψ(u) 1. pätee. Tällöin siis tulos on yhtäpitävää ehdon (5.11) kanssa. Todistus. Olkoon ε ja δ mielivaltaisia positiivisia reaalilukuja. Osoitetaan yhtäpitävyys ehdon (5.11) ja tuloksen 5.12 välillä todistamalla molemminpuoliset seuraukset. Oletetaan, että ehto (5.11) pätee. Tällöin σz 2 δ, ψ(u) 2 ε 28

31 kun u on riittävän suuri. Joten siis σ 2 Z δψ(u) 2 ε. Koska 0 < ψ(u) < 1, jolloin ln ψ(u) < 0, niin ottamalla logaritmit puolittain ja jakamalla ln ψ(u):lla, saadaan ln σ Z ln ψ(u) = = ln δ + ln ψ(u)2 ε 2 ln ψ(u) ln δ (2 ε) ln ψ(u) + 2 ln ψ(u) 2 ln ψ(u) ln δ 2 ln ψ(u) + 2 ε 2. Alkupääoman u kasvaessa ψ(u) 0, jolloin ln δ 2 ln ψ(u) + 2 ε 2 2 ε 2. Koska ε valittiin mielivaltaiseksi, saadaan haluttu tulos lim inf u ln σ Z ln ψ(u) 1. Oletetaan nyt, että tuloksen 5.12 ehto pätee. Tällöin u:n ollessa riittävän suuri Kertomalla puolittain ψ(u):lla saadaan ja edelleen Tällöin myös ( σz ψ(u) 1 δ ln σ Z ln ψ(u) 1 δ. σ Z ψ(u) 1 δ, lim sup u pätee. Koska δ on mielivaltainen saadaan lim sup u σ 2 Z ψ(u) ) 2 = σz 2 1. ψ(u) 2 2δ σ 2 Z ψ(u) 2 2δ 1 = lim sup ψ(u) δ = 0, 2 3δ ψ(u) 2 2δ u 29 σ 2 Z

32 sillä ψ(u) 0, kun u. Valitsemalla δ = ε päästään haluttuun tulokseen 3 lim sup u σz 2 = 0. ψ(u) 2 ε Tavoitteena on siis muodostaa algoritmi, eli yksityiskohtainen kuvaus estimointiprosessista, jota noudattaen tuotettu estimaattori olisi logaritmisesti tehokas tuloksen 5.12 mielessä ja jolloin vararikkotodennäköisyydelle saataisiin arvio ψ(u) = E(Z). 30

33 Luku 6 Algoritmi Aiemmin kohdassa muodostettiin yhtiön selviytymistodennäköisyydelle 1 ψ(u) esitys yhtälön (4.10) avulla, jonka perusteella tämän todennäköisyyden todettiin olevan yhdistetyn geometrisesti jakautuneen satunnaismuuttujan kertymäfunktio. Saadaan siis (6.1) ψ(u) = P(S K > u), missä S K = Y 1 + Y Y K on yhdistetty geometrisesti jakautunut satunnaismuuttuja. Tällöin K Geom( λµ c ) ja Y 1, Y 2,... ovat riippumattomia ja samoin jakautuneita positiivisia satunnaismuuttujia kertymäfunktiolla F I, sekä tiheysfunktiolla f I, jotka ovat johdettavissa korvausvaateiden jakaumasta F. Suoraviivainen menetelmä vararikkotodennäköisyyden arviointiin olisi jo aiemmin mainittu karkea Monte Carlo -menetelmä, missä satunnaismuuttuja Z määritetään vararikon indikaattoriksi ja vararikkotodennäköisyyttä arvioidaan Z:n odotusarvolla. Näin menettelemällä estimaattorista z saadaan harhaton, kuten aiemmin todettiin. Algoritmi tälle menetelmälle on seuraava: 1. Tuotetaan yhdistetyn geometrisesti jakautuneen satunnaismuuttujan lukumäärämuuttujalle K i Geom( λµ c ) arvo. 2. Tuotetaan satunnaismuuttujille Y1 i,..., YK i i arvot tiheysfunktiota f I käyttäen ja muodostetaan S Ki = Y1 i + + YK i i. 3. Muodostetaan havainto Z i = 1(S K > u). 4. Toistetaan vaiheet 1-3 n kertaa. 5. Muodostetaan estimaatti ψ(u) = E(Z) estimaattoria z = 1 n (Z Z n ) käyttäen. 31

34 Estimointimenetelmän tehokkuus riippuu satunnaismuuttujan Z varianssista ja sen käyttäytymisestä alkupääoman kasvaessa, mutta kuten kappaleessa 5 todettiin, edellä mainitun menetelmän suhteellinen virhe kasvaa kun u, eikä se näin ollen ole tehokas harvinaisten tapahtumien estimoinnissa. Optimaalisella Z:n valinnalla estimaattorin tehokkuutta voidaan kuitenkin parantaa. Alieksponentiaalisesti jakautuneilla korvausvaateilla on jo aiemminkin mainittu määritelmän 2.33 osoittama ominaisuus, jonka mukaan yhtiön alkupääoman kasvaessa vararikon aiheuttaa vain suurin korvausvaade. Esitetään seuraavaksi aputulokset 6.2 ja 6.3, joiden avulla Z voitaisiin määrätä optimaalisesti alieksponentiaalisten korvausvaateiden erityisominaisuus huomioiden. Lemma 6.2. Olkoon Y 1,..., Y n riippumattomia ja samoinjakautuneita ei-negatiivisia satunnaismuuttujia kertymäfunktiolla F I ja tiheysfunktiolla f I. Merkitään järjestystunnuslukuja merkinnällä Y (1) < < Y (n), jolloin Y (1) tarkoittaa satunnaismuuttujien Y 1,..., Y n pienintä realisaatiota ja olkoon f Y(k) kyseisen järjestystunnusluvun tiheysfunktio. Lisäksi olkoon F (n 1) = σ(y (1),..., Y (n 1) ). Tällöin P(Y (n) > x F (n 1) ) = F I(max(Y (n 1), x)). F I (Y (n 1) ) Sigma-algebran F n voidaan tässä yhteydessä ajatella tarkoittavan informaatiota, jolloin todennäköisyys P(Y (n) > x F (n 1) ) tarkoittaa todennäköisyyttä, että satunnaismuuttujien Y 1,..., Y n suurin toteutunut arvo Y (n) on suurempi kuin x, kun kaikki pienemmät toteutuneet arvot Y (1),..., Y (n 1) tiedetään. Todistus. Olkoon Y 1,..., Y n riippumattomia ja samoinjakautuneita jatkuvia satunnaismuuttujia kertymäfunktiolla F I, sekä tiheysfunktiolla f I. Olkoon lisäksi f Y(k) kyseisen järjestystunnusluvun tiheysfunktio. Tällöin järjestystunnusluvut muodostavat Markovin ketjun, jolloin nille pätee Markov-ominaisuus P(Y (n) > x F (n 1) ) = P(Y (n) > x Y (n 1),..., Y (1) ) = P(Y (n) > x Y (n 1) ). Lisäksi järjestystunnuslukujen määritelmän perusteella P(Y (n) > x Y (n 1) = y) = 1 = F I(Y (n 1) ) F I (Y (n 1) ), kun x < y. Toisaalta kun x y ehdollisen todennäköisyyden ominaisuuksista saadaan esitys P(Y (n) > x Y (n 1) = y) = 32 x f Y(n) Y (n 1) (t y)dt.